專利名稱：Nsst域mrf與自適應(yīng)閾值融合的遙感圖像變化檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，涉及遙感圖像變化檢測，主要涉及ー種非下采樣Shearlet 變換(Nonsubsampled Shearlet Transform, NSST)域馬爾科夫隨機(jī)場(MarkovRandom Field,MRF)與自適應(yīng)閾值融合的遙感圖像變化檢測，具體是ー種NSST域MRF與自適應(yīng)閾值融合的遙感圖像變化檢測方法。該方法用于對遙感圖像變化檢測中的差異圖像分類。
背景技術(shù)：
遙感圖像的變化檢測主要依據(jù)同一地區(qū)不同時(shí)相的遙感圖像存在電磁波譜特征差異或空間結(jié)構(gòu)特征差異，通過分析和提取這些差異特征來實(shí)現(xiàn)識別地物類型的轉(zhuǎn)變或內(nèi)部條件和狀態(tài)的變化。在國民經(jīng)濟(jì)和國防建設(shè)的諸多領(lǐng)域已得到廣泛應(yīng)用，如農(nóng)作物的生長監(jiān)測、森林和植被變化監(jiān)測、城區(qū)變化監(jiān)測、軍事目標(biāo)監(jiān)測等。遙感圖像變化檢測中變化/非變化信息檢測的關(guān)鍵步驟是選擇合適的閾值或ニ值分類方法。其中，無監(jiān)瞀變化檢測由于不需要昂貴且難以獲得、甚至是常常無法獲得的地面真實(shí)數(shù)據(jù)，因此在許多應(yīng)用中是基本的普遍采用的變化檢測方法?；谪惾~斯理論的閾值方法是無監(jiān)瞀變化檢測中的常用方法，MRF分類方法則由于考慮了像素點(diǎn)的鄰域信息常用于提高分類準(zhǔn)確性。Bruzzone 等學(xué)者(2OOO)在文章“Automatic Analysis of the Difference Imagefor Unsupervised Change Detection， IEEE Transactions on Geoscience and RemoteSensing, 38 (3) :1171_1182”中提出了兩種基于貝葉斯理論的無監(jiān)瞀變化檢測方法。ー種方法是在假設(shè)差值差異圖的像素在空間上是獨(dú)立的條件下，最小化全局變化檢測誤差來自動(dòng)選取判決閾值的方法。該方法能保持較好的邊緣信息，但是抗噪性能較差。另ー種方法是考慮差值差異圖中各個(gè)像素的鄰域信息來分析差值圖，該方法將差值差異圖看作ー個(gè)馬爾科夫隨機(jī)場，在基于貝葉斯準(zhǔn)則下對差異圖像分類。該方法有較強(qiáng)的抗噪性能，但是得到的變化檢測結(jié)果并不能保持很好的邊緣。為了進(jìn)一歩提高變化檢測的精度，ー些學(xué)者提出了變化域的無監(jiān)瞀變化檢測方法，Bovolo 等學(xué)者(2005)在文章“A Detail-Preserving Scale-Driven Approach toChange Detection in Multitemporal bAR Images, IEEE Transactions on Geoscienceand Remote Sensing, 2005,43 (12) :2963_2972”中提出了ー種尺度驅(qū)動(dòng)融合的 SAR 圖像變化檢測方法，該方法首先對兩時(shí)相圖的對數(shù)比值圖進(jìn)行ニ維離散平穩(wěn)小波分解，然后通過局部變化系數(shù)和全局變化系數(shù)的關(guān)系確定可靠尺度，并采用可靠尺度特征級融合策略進(jìn)行變化檢測。該方法雖然根據(jù)一定準(zhǔn)則對變化域各尺度低頻信息加以利用，提高了變化檢測的準(zhǔn)確性，但是用該方法提出的準(zhǔn)則融合各尺度信息時(shí)，如果融合零尺度信息(即原對數(shù)比值圖)，則變化檢測結(jié)果邊緣保持較好但是誤檢高，雜點(diǎn)多，如果不融合零尺度信息，則變化檢測結(jié)果誤檢少但邊緣保持較差，所以該方法并不能很好的權(quán)衡誤檢和邊緣保持特性。Celik(2010)在文章“A Bayesian approach to unsupervised multiscalechange detection in synthetic aperture radar images，Signal Processing，2010，90 :1471-1485”中提出了一種變化域的自適應(yīng)閾值變化檢測方法，該方法先將差值差異圖進(jìn)行雙樹復(fù)小波變換，然后在貝葉斯最小錯(cuò)誤率準(zhǔn)則下對各子帶系數(shù)進(jìn)行分類，最后融合各子帶系數(shù)分類結(jié)果得到變化檢測結(jié)果圖，該方法中雙樹復(fù)小波是下采樣的，在進(jìn)行尺度間融合時(shí)要對粗尺度結(jié)果進(jìn)行插值，從而使得最終結(jié)果圖的邊緣呈塊狀，邊緣保持很差。Moser 等學(xué)者(2011)在文章“Multiscale Unsupervised Change Detection onOptical 丄mages by Markov Ranaom Fields and Wavelets,IEEE Geoscience and RemoteSensing Letters, 2011,8 (4) :725_729”中提出了ー種多尺度上下文的無監(jiān)瞀變化檢測方法，該方法首先對差值差異圖進(jìn)行離散小波分解，將各個(gè)尺度的低頻子帶分別重構(gòu)回原圖像域，提取多尺度特征，然后用馬爾科夫鏈數(shù)據(jù)融合方法來融合這些特征信息和空間上下文信息，最后最小化能量函數(shù)得到變化檢測結(jié)果。該方法用馬爾科夫鏈將多個(gè)尺度信息和空間上下文信息融合起來，提高了變化檢測結(jié)果的準(zhǔn)確性，但其得到的最終的似然能量函 數(shù)僅是各個(gè)尺度似然能量函數(shù)的簡單疊加，并沒考慮不同尺度特征之間的關(guān)系，并不能嚴(yán)格滿足條件獨(dú)立的假設(shè)，在一定程度上影響變化檢測結(jié)果的精度。上述的變化檢測方法并不能很好的權(quán)衡降低誤檢和保持邊緣信息這兩方面特性，使得檢測的結(jié)果或者邊緣信息保持好，但誤檢多，雜點(diǎn)多；或者誤檢少，雜點(diǎn)少，但邊緣信息保持不好，不能得到理想的變化檢測結(jié)果。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有變換檢測技術(shù)的不足，提出了ー種NSST域MRF與自適應(yīng)閾值融合的遙感圖像變化檢測方法。該方法有效地融合了基于貝葉斯最小錯(cuò)誤率的自適應(yīng)閾值方法與MRF分類方法，既有較強(qiáng)的抗噪性又使得檢測的結(jié)果誤檢少，邊緣信息保持好，檢測準(zhǔn)確率高。本發(fā)明是ー種NSST域MRF與自適應(yīng)閾值融合的遙感圖像變化檢測方法，包括有如下步驟步驟1，輸入同一地區(qū)不同時(shí)相的已配準(zhǔn)的兩幅遙感圖像，對該兩幅圖對應(yīng)像素點(diǎn)灰度值做差得到一幅差值差異圖像。步驟2，對差值差異圖像進(jìn)行非下采樣Shearlet分解，分解的每層有一個(gè)低頻子帶和多個(gè)高頻方向子帯，將每層中所有高頻方向子帶合并為ー個(gè)高頻子帶，也就是說非下采樣Shearlet分解后，姆層有ー個(gè)低頻子帶和ー個(gè)由該層所有高頻方向子帶合并的高頻子帶。步驟3，應(yīng)用K-均值聚類算法分別將各層的低頻子帶和高頻子帶聚類，在每ー層分別得到一幅低頻初始分類圖和一幅高頻初始分類圖。步驟4，利用每ー層的低頻初始分類圖，對對應(yīng)層中的低頻子帶在基于貝葉斯最小錯(cuò)誤率下進(jìn)行自適應(yīng)閾值分類，在每ー層得到一幅低頻自適應(yīng)閾值分類圖。步驟5，利用每ー層的高頻初始分類圖，對對應(yīng)層中的高頻子帶在基于貝葉斯最小錯(cuò)誤率下進(jìn)行自適應(yīng)閾值分類，在每ー層得到一幅高頻自適應(yīng)閾值分類圖。在差值差異圖的各分解層中，每ー層都有一幅低頻自適應(yīng)閾值分類圖和一幅高頻自適應(yīng)閾值分類圖。
步驟6，對非下采樣Shearlet分解得到的每ー層的低頻子帶進(jìn)行MRF建模，求滿足最小化能量函數(shù)的類別標(biāo)記，得到該層的一幅MRF分類圖。這樣各分解層的每一層都得到一幅雜點(diǎn)少，誤檢少的MRF分類圖。步驟7，忽略第I層的高頻自適應(yīng)閾值分類圖，將第I層的低頻自適應(yīng)閾值分類圖作為第I層的總自適應(yīng)閾值分類圖，在其余各分解層中，對每ー層的高頻自適應(yīng)閾值分類圖和低頻自適應(yīng)閾值分類圖進(jìn)行并集融合，得到該層的一幅總自適應(yīng)閾值分類圖。第I層的高頻自適應(yīng)閾值分類圖中主要分布的是雜點(diǎn)，包含的邊緣信息很少，幾乎沒有，所以本發(fā)明忽略了第I層高頻自適應(yīng)閾值分類圖。并集運(yùn)算使得每層得到的總自適應(yīng)閾值分類圖的變化信息更完整，邊緣信息保持更好。步驟8，對所有分解層的總自適應(yīng)閾值分類圖進(jìn)行交集融合，得到一幅最終自適應(yīng)閾值分類圖，對所有分解層的MRF分類圖進(jìn)行交集融合，得到一幅最終MRF分類圖。 交集融合的作用主要是提取進(jìn)行融合的圖像的公共信息，在一定程度上減少雜點(diǎn)，通過交集融合使得最終自適應(yīng)閾值分類圖和最終MRF分類圖中的雜點(diǎn)有所減少。步驟9，將最終自適應(yīng)閾值分類圖和最終MRF分類圖進(jìn)行融合得到變化檢測結(jié)果圖。為了提高變化檢測的精度，本發(fā)明對差值差異圖進(jìn)行了非下采樣Shearlet分解，分解的低頻子帶保留了差值差異圖的大部分信息，高頻方向子帶保留了差值差異圖各個(gè)方向的邊緣信息，本發(fā)明按照步驟2中的方法合并高頻方向子帶為ー個(gè)高頻子帶，使得該高頻子帶包含差值差異圖的所有邊緣信息，除此以外，采用非下采樣Shearlet分解克服了融合時(shí)需對粗尺度進(jìn)行插值的缺點(diǎn)，保持了變化檢測結(jié)果的邊緣，提高了變化檢測結(jié)果的正確性。本發(fā)明考慮到變換域低頻子帶保留了差值差異圖的大部分信息，同時(shí)去除了大部分噪聲，且越高層低頻子帶越平滑，噪聲越少，所以本發(fā)明分別對各層低頻子帶進(jìn)行MRF建模分類，然后對所有層的MRF分類結(jié)果進(jìn)行交集融合，得到一幅雜點(diǎn)很少，誤檢少的最終MRF分類圖。本發(fā)明還考慮到基于貝葉斯最小錯(cuò)誤率的自適應(yīng)閾值方法使檢測結(jié)果的邊緣保持好的優(yōu)點(diǎn)，將該方法在變換域的分類結(jié)果與最終MRF分類結(jié)果進(jìn)行了融合，因此，本發(fā)明同時(shí)具有使變化檢測結(jié)果誤檢少，漏檢少，邊緣保持好的優(yōu)點(diǎn)。本發(fā)明的實(shí)現(xiàn)還在于步驟2所述的將所有高頻方向子帶合并為ー個(gè)高頻子帶是通過如下公式進(jìn)行
I2D/,,, =TT Σ|°^ I
yV.T beNs其中，Db,s表示第s層第b個(gè)高頻方向子帶，Dh,s表示第s層的高頻子帶,下標(biāo)h表示為高頻，分解層s = 1,2,3,4, Ns表示高頻方向子帶個(gè)數(shù)，s = I和2時(shí)，Ns = 10, s = 3和 4 時(shí)，Ns = 6。其他方法中合并高頻方向子帶是將同層所有高頻方向子帶相加，然后除以方向子帶個(gè)數(shù)，再開方，這樣抑制了變化區(qū)域的邊緣信息，不利于提取邊緣信息。本發(fā)明中對同層的高頻方向子帶的絕對值進(jìn)行了平方和，然后除以方向子帶個(gè)數(shù)，該合并方法對變化區(qū)域的邊緣信息進(jìn)行了增強(qiáng)，有利于提取邊緣信息。本發(fā)明的實(shí)現(xiàn)還在于步驟6所述的得到MRF分類圖的步驟包括(6a)將步驟3所得的某一層的低頻初始分類圖作為該層的初始標(biāo)記圖；如將第s層的低頻初始分類圖作為第S層的初始標(biāo)記圖，變化類像素用I表示，非變化類像素用O表示，設(shè)迭代次數(shù)K = I，最終迭代次數(shù)為K，K的取值范圍為K > = 5 ;(6b)第s層低頻子帶D1-中像素點(diǎn)(i，j)處變化類的似然能量
權(quán)利要求
1.ー種NSST域MRF與自適應(yīng)閾值融合的遙感圖像變化檢測方法，其特征在于包括如下步驟 步驟1，輸入同一地區(qū)不同時(shí)相的已配準(zhǔn)的兩幅遙感圖像，對該兩幅圖對應(yīng)像素點(diǎn)灰度值做差得到一幅差值差異圖像； 步驟2，對差值差異圖像進(jìn)行非下采樣Shearlet分解，分解的每層有一個(gè)低頻子帶和多個(gè)高頻方向子帯，將每層中所有高頻方向子帶合并為ー個(gè)高頻子??； 步驟3，應(yīng)用K-均值聚類算法分別將各層的低頻子帶和高頻子帶聚類，在每一層分別得到一幅低頻初始分類圖和一幅高頻初始分類圖； 步驟4，利用每ー層的低頻初始分類圖，對對應(yīng)層中的低頻子 帶在基于貝葉斯最小錯(cuò)誤率下進(jìn)行自適應(yīng)閾值分類，在每ー層得到一幅低頻自適應(yīng)閾值分類圖； 步驟5，利用每ー層的高頻初始分類圖，對對應(yīng)層中的高頻子帶在基于貝葉斯最小錯(cuò)誤率下進(jìn)行自適應(yīng)閾值分類，在每ー層得到一幅高頻自適應(yīng)閾值分類圖； 步驟6，對非下采樣Shear let分解得到的每ー層的低頻子帶進(jìn)行MRF建模，求滿足最小化能量函數(shù)的類別標(biāo)記，得到該層的一幅MRF分類圖； 步驟7，忽略第I層的高頻自適應(yīng)閾值分類圖，將第I層的低頻自適應(yīng)閾值分類圖作為第I層的總自適應(yīng)閾值分類圖，在其余各分解層中，對每ー層的高頻自適應(yīng)閾值分類圖和低頻自適應(yīng)閾值分類圖進(jìn)行并集融合，得到該層的一幅總自適應(yīng)閾值分類圖； 步驟8，對所有分解層的總自適應(yīng)閾值分類圖進(jìn)行交集融合，得到一幅最終自適應(yīng)閾值分類圖，對所有分解層的MRF分類圖進(jìn)行交集融合，得到一幅最終MRF分類圖； 步驟9，將最終自適應(yīng)閾值分類圖B和最終MRF分類圖M進(jìn)行融合得到變化檢測結(jié)果圖。
2.根據(jù)權(quán)利要求I所述的遙感圖像變化檢測方法，其特征在于步驟2所述的將所有高頻方向子帶合并為ー個(gè)高頻子帶是通過如下公式進(jìn)行 其中，Dh,s表示第s層的高頻子帶,下標(biāo)h表示為高頻,分解層s = 1,2,3,4, Ns表示高頻方向子帶個(gè)數(shù)，s = I和2時(shí)，Ns = 10, s = 3和4時(shí)，Ns = 6。
3.根據(jù)權(quán)利要求I所述的遙感圖像變化檢測方法，其特征在于步驟6所述的得到MRF分類圖的步驟包括 (6a)將步驟3所得的某一層的低頻初始分類圖作為該層的初始標(biāo)記圖；如將第s層的低頻初始分類圖作為第s層的初始標(biāo)記圖，變化類像素.用I表示，非變化類像素叫:《用O表示，設(shè)迭代次數(shù)k = I,最終迭代次數(shù)為K, K的取值范圍為K > = 5 ; (6b)第s層低頻子帶Dus中像素點(diǎn)(i，j)處變化類的似然能量ハ和非變化類的似然能量プ)由ニ維高斯概率密度的負(fù)自然対數(shù)計(jì)算得到，即 (6c)計(jì)算第s層低頻子帶內(nèi)像素點(diǎn)(i，j)處變化類的先驗(yàn)?zāi)芰郡褿乃和非變化類的先驗(yàn)?zāi)芰?br> 4.根據(jù)權(quán)利要求I所述的遙感圖像變化檢測方法，其特征在于其中步驟9所述的將最終自適應(yīng)閾值分類圖B和最終MRF分類圖M進(jìn)行融合，融合步驟包括 (9a)設(shè)融合循環(huán)次數(shù)z = 1，融合終止循環(huán)次數(shù)為Z，Z > 50 ; (9b)檢測最終MRF分類圖M的像素值是否等于I，如果M (i，j) = I，則將最終自適應(yīng)閾值分類圖B中(i，j)處及其ニ階鄰域N(i，j)中的值賦給融合圖像CM的(i，j)處及其ニ階鄰域的對應(yīng)位置，否則令CM(i，j)的值為O ; (9c)按照步驟(9b)從左到右從上到下檢測M中的所有像素值，令融合圖像CM中像素值大于O的像素值為I ; Od)更新融合循環(huán)次數(shù)z，令z = z+1,當(dāng)z > Z或兩次迭代之間類別發(fā)生變化的像元總數(shù)小于預(yù)先設(shè)定的閾值T，T= I為最佳閾值，則停止，融合圖像CM為變化檢測結(jié)果圖；否則將融合圖像CM賦給Μ,轉(zhuǎn)到(9b)。
全文摘要
本發(fā)明公開一種NSST域MRF與自適應(yīng)閾值融合的遙感圖像變化檢測方法，解決了現(xiàn)有變化檢測方法中不能在有效去除雜點(diǎn)的同時(shí)保持變化區(qū)域邊緣信息的缺點(diǎn)。其實(shí)現(xiàn)過程是輸入兩幅不同時(shí)相的遙感圖像，用差值法構(gòu)造差異圖像；對差異圖像進(jìn)行非下采樣Shearlet分解，將每一層方向子帶合并為一個(gè)高頻子帶；對各層高頻子帶和低頻子帶分別自適應(yīng)閾值分類，每層得到一幅高頻自適應(yīng)閾值分類圖和一幅低頻自適應(yīng)閾值分類圖；分別對各層的低頻子帶MRF分類，每層得到一幅MRF分類圖；融合分類結(jié)果得到變化檢測結(jié)果。本發(fā)明既有較強(qiáng)的抗噪性，又有邊緣信息保持好的優(yōu)點(diǎn)，檢測結(jié)果誤檢少，準(zhǔn)確率高。用于城區(qū)變化監(jiān)測、森林和植被變化監(jiān)測、軍事目標(biāo)監(jiān)測等領(lǐng)域。
文檔編號G06K9/62GK102867187SQ20121024445
公開日2013年1月9日 申請日期2012年7月4日 優(yōu)先權(quán)日2012年7月4日
發(fā)明者王桂婷, 焦李成, 劉博偉, 公茂果, 侯彪, 王爽, 鐘樺, 田小林 申請人:西安電子科技大學(xué)